[논문 리뷰] TensorCircuit-NG: A Universal, Composable, and Scalable Platform for Quantum Computing and Quantum Simulation

Shi-Xin Zhang, Yu-Qin Chen외 23명|arXiv (Cornell University)|2026. 02. 15.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

TensorCircuit-NG는 양자 회로, 텐서 네트워크, 신경망을 차별화 가능하고 텐서-네이티브 프레임워크로 통합하는 차세대 AI 네이티브 플랫폼을 제시합니다. 분산 컴퓨팅 및 교차 백엔드 상호 운용성을 갖추고 엔드-투-엔드 QML, 아날로그 및 노이즈 인식 시뮬레이션, HPC 클러스터에서의 확장 가능한 텐서-네트워크 수축을 가능하게 합니다.

ABSTRACT

We present TensorCircuit-NG, a next-generation quantum software platform designed to bridge the gap between quantum physics, artificial intelligence, and high-performance computing. Moving beyond the scope of traditional circuit simulators, TensorCircuit-NG establishes a unified, tensor-native programming paradigm where quantum circuits, tensor networks, and neural networks fuse into a single, end-to-end differentiable computational graph. Built upon industry-standard machine learning backends (JAX, TensorFlow, PyTorch), the framework introduces comprehensive capabilities for approximate circuit simulation, analog dynamics, fermion Gaussian states, qudit systems, and scalable noise modeling. To tackle the exponential complexity of deep quantum circuits, TensorCircuit-NG implements advanced distributed computing strategies, including automated data parallelism and model-parallel tensor network slicing. We validate these capabilities on GPU clusters, demonstrating a near-linear speedup in distributed variational quantum algorithms. TensorCircuit-NG enables flagship applications, including end-to-end QML for CIFAR-100 computer vision, efficient pipelines from quantum states to neural networks via classical shadows, and differentiable optimization of tensor network states for many-body physics.

연구 동기 및 목표

• 양자 회로, 텐서 네트워크, 신경망을 차별화 가능한 계산 그래프로 통합하는 단일화된 텐서-네이티브 플랫폼을 제작한다.
• 고차원 큐다 시스템, 페르미온 가우시안 상태, 아날로그 다이내믹스 및 현실적 양자 시뮬레이션을 위한 유연한 노이즈 모델링을 지원한다.
• 데이터 병렬성과 모델 병렬 텐서 네트워크 슬라이싱을 갖춘 대규모 HPC-준비 분산 컴퓨팅을 제공한다.
• 기존 양자 및 텐서-네트워크 생태계 및 백엔드(JAX, TensorFlow, PyTorch, Qiskit, OpenQASM)와의 원활한 상호 운용성을 보장한다.
• 양자 연구와 교육을 가속화하기 위한 AI-네이티브 개발 도구와 커뮤니티 기반 자원을 제공한다.

제안 방법

• 하드웨어, 数值 백엔드, 계산 패러다임(AD, JIT, VMAP), 핵심 텐서 추상화, 물리적 모델링을 하나로 묶는 5-layer 아키텍처를 도입한다.
• 상태, 게이트, 노이즈를 1급 텐서로 다루는 텐서-네이티브 표현을 채택하여 차별화 가능한 양자 모델링을 가능하게 한다.
• 제로-카피 교차 프레임워크 실행을 위한 DLPack를 통해 여러 ML 프레임워크를 결합하는 네이티브 백엔드 인터페이스를 제공한다.
• 대규모 양자 회로를 위한 다중 패러다임 해법(정 exact, 노이즈, MPS, 안정화)과 데이터- 및 모델-병렬화가 있는 분산 수축을 구현한다.
• 유연한 워크플로우를 위한 번역 유틸리티 및 도메인 특화 통합(TenCirChem-NG, 텐서-네트워크 번역가, Qiskit/OpenQASM 상호 운용성)을 제공한다.
• CIFAR-100에서의 QML, 고전 그림자 파이프라인, 텐서-네트워크 상태의 차별화 가능한 최적화 등 엔드-투-엔드 사용 사례를 시연한다.

실험 결과

연구 질문

• RQ1 백엔드 종속 없이 양자 물리, AI, 그리고 고성능 컴퓨팅을 단일 차별화 가능한 플랫폼으로 어떻게 융합할 수 있는가?
• RQ2 텐서-네이티브 표현과 분산 텐서 수축이 현실적 노이즈와 다이내믹스가 포함된 깊은 양자 회로의 확장 가능한 시뮬레이션을 가능하게 하는가?
• RQ3 제로-카피 상호 운용성을 갖춘 프레임워크 간에 양자 계층을 클래식 ML 파이프라인에 얼마나 효과적으로 통합할 수 있는가(JAX, TensorFlow, PyTorch)?
• RQ4 대규모 HPC 자원에서 엔드-투-엔드 QML 및 다체 물리 모델링의 실용적 능력과 한계는 무엇인가?
• RQ5 개방형 생태계(Qiskit, OpenQASM, TeNPy, Quimb, TenCirChem-NG)가 하이브리드 양자-클래식 워크플로를 지원하도록 브리지될 수 있는가?

주요 결과

• TensorCircuit-NG는 GPU 클러스터에서 분산 변분 양자 알고리즘에 대해 거의 선형 스피드업을 달성한다.
• 이 플랫폼은 CIFAR-100에 대한 엔드-투-엔드 QML 및 양자 상태에서 신경망으로의 파이프라인(고전 그림자)을 지원한다.
• 다체 물리학을 위한 텐서-네트워크 상태의 차별화 가능한 최적화를 가능하게 하고 해석적, 안정화, MPS, 노이즈 시뮬레이션 엔진을 제공한다.
• AI-네이티브 개발 기능(DeepWiki, 에이전트 지향 문서, 실행 가능 예제가 있는 저장소)은 AI 보조 연구 및 재현 가능한 워크플로를 촉진한다.
• 크로스-프레임워크 상호 운용성은 PyTorch, TensorFlow, JAX 간의 네이티브 백엔드 및 하이브리드 양자-클래식 계층을 제로-카피 데이터 전송으로 가능하게 한다.